Α.Π.Θ.

: Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών

Τµήµα Οικονοµικών Επιστηµών

ΠΡΟΓΡΑΜΜΑ ∆Ι∆ΑΚΤΟΡΙΚΩΝ ΣΠΟΥ∆ΩΝ

ΕΝΟΤΗΤΑ: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΟΙΚΟΝΟΜΕΤΡΙΑ

Βασικές έννοιες και έλεγχοι στην ανάλυση χρονολογικών σειρών

Σκοπός των όσων θα αναφερθούν στη συνέχεια είναι να γίνει µια πολύ σύντοµη
παρουσίαση των βασικών εννοιών και ελέγχων που αφορούν την ανάλυση των
χρονολογικών σειρών. Ειδικότερα, παρουσιάζεται η έννοια της στασιµότητας καθώς
και των ολοκληρωµένων και συνολοκληρωµένων σειρών, αναπτύσσονται ορισµένοι
συναφείς έλεγχοι και ακολουθούν τα λεγόµενα υποδείγµατα διόρθωσης σφάλµατος, η
αιτιότητα κατά Granger και τα υποδείγµατα VAR.

1. Έννοια της στασιµότητας – Πλασµατική παλινδρόµηση – Ολοκλη-

ρωµένες σειρές
Υποθέτουµε ότι τα δεδοµένα που χρησιµοποιούµε αναφέρονται σε
χρονολογικές σειρές. Στο πλαίσιο αυτό, µια διαδικασία θεωρείται στάσιµη, όταν η
προσδοκώµενη τιµή και η διακύµανσή της δεν εξαρτώνται από το χρόνο. Το ίδιο θα
πρέπει να ισχύει και για τις συνδιακυµάνσεις της, οι οποίες στις στάσιµες σειρές είναι
συναρτήσεις της χρονικής υστέρησης (ή προώθησης). Έτσι, έχουµε ότι:

Ορισµός: Μια σειρά {x i } ονοµάζεται στάσιµη1 όταν

E( x i ) = µ , Var ( x i ) = σ 2 και Cov( x i , x i + k ) = σ k ,
όπου µ, σ2 και σk είναι σταθερές.

Αν µια τουλάχιστον από τις σχέσεις αυτές δεν ισχύει, τότε η σειρά
χαρακτηρίζεται µη στάσιµη.
Από όσα µέχρι τώρα αναφέρθηκαν, είναι γνωστό ότι ένα υπόδειγµα
αξιολογείται παίρνοντας υπόψη κριτήρια, όπως ο συντελεστής προσδιορισµού, οι
έλεγχοι σηµαντικότητας, κλπ. Όταν όµως έχουµε χρονολογικές σειρές, ο τρόπος
αυτός αξιολόγησης µας οδηγεί σε αξιόπιστα συµπεράσµατα, µόνον όταν οι
µεταβλητές του θεωρούµενου υποδείγµατος είναι στάσιµες.
Στις περιπτώσεις λοιπόν που οι µεταβλητές του υποδείγµατος δεν είναι
στάσιµες, τότε τα ικανοποιητικά, ενδεχοµένως, αποτελέσµατα των κλασικών
ελέγχων, δεν σηµαίνουν ότι υπάρχει οπωσδήποτε και αιτιώδης σχέση µεταξύ των
µεταβλητών του υποδείγµατος. Αντίθετα, είναι πολύ πιθανόν να έχουµε ένα είδος
πλασµατικής ή νόθου παλινδρόµησης (spurious regression), κάτι που εµφανίζεται
συχνά όταν χρησιµοποιούµε µη στάσιµες χρονολογικές σειρές. Για το λόγο αυτό, ένα
από τα πρώτα βήµατα σε µια οικονοµετρική ανάλυση είναι ο έλεγχος στασιµότητας
των µεταβλητών του υποδείγµατος.
Οι περισσότερες χρονολογικές σειρές των διαφόρων οικονοµικών στοιχείων
δεν είναι στάσιµες. Αποδεικνύεται όµως ότι µπορούν να µετατραπούν σε στάσιµες
παίρνοντας τις πρώτες διαφορές, ή ενδεχόµενα τις δεύτερες, κλπ. Ο µετασχηµατισµός

1
Ο ορισµός αυτός αφορά για την ακρίβεια τη λεγόµενη «στάσιµη σειρά κατά την ασθενή έννοια» ή
«µη αυστηρά στάσιµη σειρά» ή και «κατά συνδιακύµανση στάσιµη σειρά». ∆εν θα επεκταθούµε όµως
εδώ σε περισσότερες σχετικές λεπτοµέρειες.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-1
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

αυτός αποτελεί έναν άµεσο τρόπο αντιµετώπισης του προβλήµατος της πλασµατικής
παλινδρόµησης.
Αν, για παράδειγµα, η σειρά {x i } δεν είναι στάσιµη, τότε πολύ πιθανόν η
σειρά {∆x i } να είναι στάσιµη, όπου ∆x i = x i − x i−1 . Στην περίπτωση που και η
{∆x i } δεν είναι στάσιµη, τότε πιθανόν να απαιτηθεί να πάρουµε τις δεύτερες
διαφορές της, δηλαδή να θεωρήσουµε τη σειρά {∆2 x i } , όπου
∆2 x i = ∆x i − ∆x i −1 = ( x i − x i −1 ) − ( x i −1 − x i −2 ) = x i + x i −2 − 2 x i−1 . (1)
Όταν λοιπόν µια σειρά µετατρέπεται σε στάσιµη παίρνοντας τις πρώτες
διαφορές της, τότε λέµε ότι είναι ολοκληρωµένη πρώτης τάξης και τη συµβολίζουµε
µε το I(1). Αν χρειαστεί να πάρουµε δεύτερες διαφορές, για να γίνει στάσιµη, τότε
λέµε ότι είναι ολοκληρωµένη δεύτερης τάξης και τη συµβολίζουµε µε το I(2), κλπ.
Μια σειρά που από την αρχή είναι στάσιµη λέγεται ολοκληρωµένη µηδενικής τάξης
και συµβολίζεται µε το I(0). Γενικά, έχουµε ότι:

Ορισµός: Μια µη στάσιµη σειρά {x i } η οποία µπορεί να µετασχηµατιστεί σε στάσιµη

λαµβάνοντας τις πρώτες διαφορές των όρων της d φορές (d≥1), ονοµάζεται
ολοκληρωµένη τάξεως d και συµβολίζεται
x i ~ I (d ) .

Αν η {x i } είναι στάσιµη, γράφουµε x i ~ I(0) .

Για τον έλεγχο στασιµότητας µιας σειράς, χρησιµοποιούνται συνήθως οι
λεγόµενοι έλεγχοι µοναδιαίας ρίζας (unit root tests), οι οποίοι θα αναφερθούν στη
συνέχεια. Ενδεικτικά, στο σηµείο αυτό, αναφέρεται ότι στις περιπτώσεις όπου η τιµή
του R2 είναι µεγαλύτερη της στατιστικής d του Durbin-Watson, τότε αντί για το
υπόδειγµα
y i = β1 + β 2 x i + u i , (2)
ενδείκνυται η εκτίµηση του
∆y i = b∆x i + v i , (3)
όπου ∆y = y − y , ∆x = x − x και v = u − u , ενώ b̂ ≠ βˆ .
i i i −1 i i i −1 i i i −1 2
Παρόµοια, αν το αρχικό υπόδειγµα είχε τη µορφή
y i = β1 + β 2 x i + β 3 t i + u i , (4)
όπου ti είναι µια µεταβλητή χρονικής τάσης, τότε παίρνοντας τις πρώτες διαφορές θα
βρίσκαµε (βλέπε σχετική απόδειξη στη σηµείωση)
∆y i = b 2 ∆x i + b 3 + v i , (5)
το οποίο και ενδεχόµενα ενδείκνυται να εκτιµηθεί αντί του υποδείγµατος (4).
Αν λοιπόν στο υπόδειγµα (2) ή στο (4) οι σειρές {x i } και {y i } δεν είναι
στάσιµες, τότε έχουµε το φαινόµενο της πλασµατικής ή νόθου παλινδρόµησης, οπότε
τα αποτελέσµατα των διαφόρων ελέγχων, όπως λ.χ. οι έλεγχοι σηµαντικότητας µε τη
στατιστική t ή F δεν είναι αξιόπιστα. Στην περίπτωση αυτή, όπως προαναφέρθηκε, θα
πρέπει ενδεχόµενα να εκτιµηθούν τα υποδείγµατα (3) ή (5) αντίστοιχα, όπου οι σειρές
{∆x i } και {∆y i } είναι πιθανόν στάσιµες.
Στη συνέχεια, και προκειµένου παρακάτω να αναφερθούµε στους ελέγχους
στασιµότητας µιας σειράς, θα θεωρήσουµε µια ειδική στοχαστική διαδικασία που
είναι γνωστή σαν τυχαία διαδροµή (random walk).

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-2
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

Θεωρούµε λοιπόν το αυτοπαλίνδροµο σχήµα πρώτου βαθµού

y i = αy i −1 + u i , (6)
όπου υποθέτουµε ότι:
u i ~ (0, σ 2u ) και Cov(u i , u j ) = 0 (i ≠ j) .
Το σχήµα αυτό συµβολίζεται, ως γνωστό µε AR(1), και για α=1 παίρνει τη
µορφή
y i = y i −1 + u i , (7)
Η τελευταία σχέση είναι γνωστή ως τυχαία διαδροµή.
Η τιµή της µεταβλητής y τη χρονική περίοδο k, δηλαδή το yk, προκύπτει µε
διαδοχικές αντικαταστάσεις στην (7) και δίνεται από τη σχέση:
k
y k = y 0 + u1 + u 2 + … + u k = y 0 + ∑ u i . (8)
i =1
Λαµβάνοντας υπόψη την (8) έχουµε ότι:
E( y k ) = y 0 και Var ( y k ) = kσ 2u .
Η τελευταία όµως σχέση σηµαίνει ότι η διακύµανση είναι συνάρτηση του χρόνου,
πράγµα που µας οδηγεί στο συµπέρασµα ότι µια τυχαία διαδροµή δεν είναι στάσιµη.
Αν όµως υποθέσουµε ότι η σειρά {ui) είναι στάσιµη, τότε η τυχαία διαδροµή που
περιγράφεται από την (7), µπορεί να µετατραπεί σε στάσιµη, αν θεωρήσουµε τις
πρώτες διαφορές της, δηλαδή: y i − y i −1 = ∆y i = u i .
Αν υποθέσουµε ότι στο αυτοπαλίνδροµο σχήµα που δίνεται από την (6),
υπάρχει και σταθερός όρος, τότε θα έχουµε τη σχέση
y i = β1 + αy i −1 + u i . (9)
Αποδεικνύεται ότι και στην περίπτωση αυτή οι πρώτες διαφορές δίνουν µια στάσιµη
σειρά.

Σηµείωση: Το υπόδειγµα (4) µε υστέρηση µιας χρονικής περιόδου γράφεται:

y i −1 = β1 + β 2 x i −1 + β 3 t i −1 + u i −1 , (4α)
οπότε αφαιρώντας την (4α) από την (4) έχουµε:
y i − y i −1 = β 2 ( x i − x i −1 ) + β 3 ( t i − t i −1 ) + u i − u i −1 ,
δηλαδή
∆y i = b 2 ∆x i + b 3 + v i ,
όπου b 2 = β 2 , b 3 = β 3 , και v i = u i − u i−1 . Για να προκύψει η τελευταία σχέση
λάβαµε υπόψη ότι: ∆t i = t i − t i−1 = 1 .

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-3
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

2. Έλεγχοι στασιµότητας
Για τον έλεγχο στασιµότητας µιας χρονολογικής σειράς χρησιµοποιούνται
συνήθως οι λεγόµενοι έλεγχοι µοναδιαίας ρίζας (unit root tests) από τους οποίους οι
πλέον γνωστοί είναι οι έλεγχοι των Dickey-Fuller. Ανάλογοι είναι οι έλεγχοι των
Phillips-Perron, αλλά και άλλοι εξειδικευµένοι έλεγχοι, θα περιοριστούµε όµως στους
ελέγχους των Dickey-Fuller.

2.1 Απλός και διευρυµένος ή επαυξηµένος έλεγχος των Dickey-Fuller (DF

και ADF test)
Θεωρούµε το αυτοπαλίνδροµο σχήµα πρώτου βαθµού
y i = αy i −1 + u i , (1)
όπου υποθέτουµε ότι:
u i ~ (0, σ 2u ) και Cov(u i , u j ) = 0 (i ≠ j) .
Αναφέραµε ήδη ότι για α=1 η στοχαστική διαδικασία χαρακτηρίζεται ως
τυχαία διαδροµή και δεν αποτελεί στάσιµη σειρά. Ο έλεγχος λοιπόν της υπόθεσης
H 0 : α = 1, (2)
µε εναλλακτική την
H1 : α < 1 , (2α)
αναφέρεται σαν έλεγχος για την ύπαρξη µοναδιαίας ρίζας. Αποδοχή της µηδενικής
υπόθεσης σηµαίνει ότι η σειρά έχει µοναδιαία ρίζα, δηλαδή είναι µη στάσιµη.
Οι Dickey και Fuller (1979) πρότειναν την ακόλουθη µέθοδο, γνωστή σαν
τεστ DF (Dickey-Fuller test), για το σχετικό έλεγχο.
Αφαιρούµε και από τα δυο µέλη της (1) τον όρο y i −1 , οπότε έχουµε:
y i − y i −1 = αy i −1 − y i −1 + u i ,
ή ∆y i = (α − 1) y i −1 + u i , (3)
δηλαδή ∆y i = β 2 y i −1 + u i . (4)
όπου β2=α-1. Με αυτόν όµως το µετασχηµατισµό (β2=α-1), οι υποθέσεις (2) και (2α)
µπορούν να γραφούν αντίστοιχα:
H0 : β2 = 0 , (5)
H1 : β 2 < 0 . (5α)
Απόρριψη της µηδενικής υπόθεσης και αποδοχή της εναλλακτικής, σηµαίνει
ότι η σειρά {y i } είναι στάσιµη, δηλαδή yi ∼ I(0).
Για την πραγµατοποίηση του ελέγχου εκτιµάµε το υπόδειγµα (4) µε OLS και
υπολογίζουµε τη στατιστική t βˆ από τη σχέση
2

βˆ 2
t βˆ = . (6)
2
St̂d(βˆ 2 )
βˆ − β 2
Αποδεικνύεται όµως, ότι ο λόγος t βˆ = 2 δεν ακολουθεί την κατανοµή
2
St̂d(βˆ 2 )
t-Student, αλλά µια κατανοµή που είναι γνωστή σαν «Dickey-Fuller» κατανοµή, για
την οποία έχουν καταρτιστεί ειδικοί πίνακες (βλέπε: Οικονοµετρία, Θεωρία και

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-4
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

Εφαρµογές, Α. Κάτου, σελ. 963). Οι πίνακες αυτοί έχουν τιµές για τη λεγόµενη
στατιστική τ, η οποία χρησιµοποιείται στην περίπτωση του υποδείγµατος (4). Έχουν
επίσης τιµές για τη στατιστική τc, η οποία χρησιµοποιείται όταν στο υπόδειγµα (4)
προσθέσουµε και σταθερό όρο, και τέλος, τιµές για τη στατιστική τt, η οποία
χρησιµοποιείται όταν έχουµε σταθερό όρο και χρονική τάση. Σηµειώνεται ότι οι τιµές
των στατιστικών τ, τc και τt είναι αρνητικοί αριθµοί.
Αναφερόµενοι λοιπόν στο υπόδειγµα (4), αν για ορισµένο επίπεδο σηµαντικό-
τητας και για ορισµένο µέγεθος δείγµατος, έχουµε ότι:
t βˆ < τ c( πινάκων) ,
2

τότε απορρίπτεται η µηδενική υπόθεση, δεχόµαστε δηλαδή ότι η σειρά είναι στάσιµη.
Στην περίπτωση που η µηδενική υπόθεση δεν µπορεί να απορριφθεί, η
προηγούµενη διαδικασία συνεχίζεται, όπου όµως αντί της (4) χρησιµοποιείται η
∆2 y i = β 2 ∆y i −1 + u i , (7)
δηλαδή θεωρούµε τις δεύτερες και πρώτες διαφορές της yi.
Η όλη διαδικασία συνεχίζεται µέχρις ότου προσδιοριστεί η τάξη
ολοκλήρωσης της yi ή µέχρις ότου διαπιστωθεί ότι η yi δεν µπορεί να καταστεί
στάσιµη µε τη διαδοχική θεώρηση πρώτων διαφορών.
Σηµειώνεται ότι αν, αντί του υποδείγµατος (4), έχουµε το
∆y i = β1 + β 2 y i −1 + u i , (8)
ή το υπόδειγµα
∆y i = β1 + β 2 y i −1 + β 3 t + u i , (9)
τότε ακολουθούµε την ίδια διαδικασία, µε την παρατήρηση ότι την τιµή της
στατιστικής t βˆ που θα υπολογίσουµε από τη σχέση (6), τη συγκρίνουµε µε τη
2

στατιστική τc ή την τt, ανάλογα αν αναφερόµαστε στο υπόδειγµα (8) ή (9).

Τα πιο πάνω ισχύουν µε την προϋπόθεση ότι τα υποδείγµατα (4), (8) και (9)
δεν έχουν αυτοσυσχέτιση. Στην περίπτωση που έχουµε αυτοσυσχέτιση οι Dickey και
Fuller προτείνουν αντί των (4), (8) ή (9) να χρησιµοποιηθούν αντίστοιχα οι σχέσεις
k
∆y i = β 2 y i −1 + ∑ δ j ∆y i − j + u i . (10)
j=1
k
∆y i = β1 + β 2 y i −1 + ∑ δ j ∆y i − j + u i . (11)
j=1
k
∆y i = β1 + β 2 y i −1 + β 3 t + ∑ δ j ∆y i − j + u i . (12)
j=1
όπου η τιµή του k είναι κατάλληλη ώστε τα ui να µην αυτοσυσχετίζονται.
Η διαδικασία ελέγχου της τάξης ολοκλήρωσης της yi, η οποία βασίζεται στην
εκτίµηση των (10), (11) ή (12), είναι ίδια µε αυτήν η οποία έχει ήδη περιγραφεί και
είναι γνωστή σαν έλεγχος ADF (Augmented Dickey-Fuller test).
Σε εµπειρικές εφαρµογές συνήθως ξεκινάµε από τη σχέση που έχει σταθερό
όρο και µεταβλητή χρονικής τάσης (σχέση (9) ή (12), ανάλογα αν έχουµε ή όχι
αυτοσυσχέτιση) και κάνουµε έλεγχο µε τη στατιστική t-Student σχετικά µε τη
σηµαντικότητα του συντελεστή β3. Αν αυτός δεν είναι στατιστικά σηµαντικός
συνεχίζουµε µε τη σχέση που έχει µόνο σταθερό όρο (σχέση (8) ή (11)) και κάνουµε
έναν ανάλογο έλεγχο σχετικά µε τη σηµαντικότητα του β1. Αν και αυτός ο
συντελεστής δεν είναι στατιστικά σηµαντικός καταλήγουµε στη σχέση που δεν έχει
ούτε σταθερό όρο ούτε µεταβλητή χρονικής τάσης (σχέση (4) ή (10)), όπου και

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-5
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

εφαρµόζουµε τη σχετική διαδικασία για τον έλεγχο στασιµότητας. Σε περίπτωση που

ο β1 ή/και β3 είναι στατιστικά σηµαντικός επιλέγουµε το ανάλογο υπόδειγµα. Ο Rao
προτείνει µια πιο συγκεκριµένη διαδικασία που απαρτίζεται από ορισµένα στάδια για
την επιλογή του κατάλληλου υποδείγµατος, η οποία όµως δεν θα µας απασχολήσει
εδώ. Τέλος, θα πρέπει να σηµειωθεί ότι τα διάφορα κριτήρια επιλογής υποδειγµάτων
(Akaike, Schwarz, κ.λπ.), που είχαν αναφερθεί σε προηγούµενη ενότητα, µπορούν να
χρησιµοποιηθούν ώστε, σε συνδυασµό µε τον έλεγχο για αυτοσυσχέτιση, να
καταλήξουµε στην επιλογή του ενδεδειγµένου υποδείγµατος, όπου θα εφαρµόσουµε
τον έλεγχο στασιµότητας.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-6
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

3. Συνολοκλήρωση

3.1 Η έννοια της συνολοκλήρωσης

Η συνολοκλήρωση µπορεί να θεωρηθεί σαν µια τεχνική για την εκτίµηση των
µακροχρόνιων συντελεστών, και γενικά των παραµέτρων ισορροπίας, σε µια σχέση
όπου οι µεταβλητές δεν είναι στάσιµες. Σχετικά, έχουµε ότι:

Ορισµός: ∆ύο ή περισσότερες χρονολογικές σειρές λέµε ότι είναι συνολοκληρωµένες

τάξεως (d, b) και το συµβολίζουµε µε CI(d, b), όπου d≥b µε b>0, αν είναι
ολοκληρωµένες τάξεως d, και µπορούµε να σχηµατίσουµε ένα γραµµικό συνδυασµό
τους, που να αποτελεί ολοκληρωµένη σειρά τάξεως d-b, δηλαδή να είναι Ι(d-b).

Για d=b=1 έχουµε την εξής απλή περίπτωση, που όµως σε εµπειρικές
εφαρµογές είναι και η πιο συνηθισµένη: Αν οι σειρές που θεωρούµε είναι
ολοκληρωµένες πρώτης τάξης, δηλαδή I(1), τότε για να καταλήξουµε στο
συµπέρασµα ότι αυτές είναι συνολοκληρωµένες τάξεως (1, 1) αρκεί, σύµφωνα µε τον
ορισµό, να βρούµε ένα γραµµικό συνδυασµό τους που να είναι στάσιµη σειρά,
δηλαδή Ι(0).
Ο ορισµός που δώσαµε πιο πάνω είναι αρκετά γενικός. Επειδή όµως στις
οικονοµικές µεταβλητές µας ενδιαφέρουν συνήθως οι µακροχρόνιες σχέσεις
ισορροπίας, ο τρόπος σχηµατισµού τους καθώς και η οικονοµική ερµηνεία των
αποτελεσµάτων, δίνουµε και τον εξής ορισµό2:

Ορισµός: Αν xi είναι ένα n×1 διάνυσµα µε συνιστώσες τις σειρές x1i, x2i,…, xni,
δηλαδή
⎡ x 1i ⎤
⎢x ⎥
x i = ⎢ 2i ⎥
⎢ ⎥
⎢ ⎥
⎣ x ni ⎦
και
α) κάθε µια από τις σειρές έχει τάξη ολοκλήρωσης d, δηλαδή
x 1i ~ I(d) , x 2i ~ I(d) ,…, x ni ~ I(d)
β) υπάρχει ένα n×1 διάνυσµα a≠0,
⎡ a1 ⎤
⎢a ⎥
a = ⎢ 2⎥,
⎢ ⎥
⎢ ⎥
⎣a n ⎦

2
Πέρα από τον ορισµό, µπορούµε πιο απλά να έχουµε υπόψη µας το εξής: Αν θεωρήσουµε δυο ή
περισσότερες σειρές που οι ίδιες δεν είναι στάσιµες, αλλά ένας γραµµικός συνδυασµός τους αποτελεί
στάσιµη σειρά, τότε οι σειρές αυτές χαρακτηρίζονται συνολοκληρωµένες. Αυτό σηµαίνει ότι οι
συγκεκριµένες σειρές παρουσιάζουν µια οµοιόµορφη διαχρονική πορεία.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-7
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

τέτοιο ώστε a ′x i ~ I(d − b) , (d≥b>0), τότε οι συνιστώσες του διανύσµατος xi

λέγονται συνολοκληρωµένες τάξεως (d, b) (cointegrated of order d, b) και χρησιµο-
ποιείται ο συµβολισµός CI(d, b), δηλαδή
x i ∼ CI(d, b).

Σηµειώνεται ότι το διάνυσµα a αναφέρεται σαν διάνυσµα συνολοκλήρωσης

(cointegrating vector).
Στην εφαρµοσµένη οικονοµετρία, ενδιαφέρον παρουσιάζει η περίπτωση κατά
την οποία οι σειρές, µε τη βοήθεια του διανύσµατος συνολοκλήρωσης,
µετασχηµατίζονται σε στάσιµες, δηλαδή όταν d=b και οι συνιστώσες του
διανύσµατος συνολοκλήρωσης αποτελούν τους συντελεστές µιας µακροχρόνιας
σχέσης µεταξύ των µεταβλητών, όπως φαίνεται και στο επόµενο παράδειγµα.

Παράδειγµα: Υποθέτουµε ότι οι σειρές {C i } και {Yi } δεν είναι στάσιµες, αλλά είναι
ολοκληρωµένες πρώτης τάξης, δηλαδή Ι(1). Για να αποδείξουµε ότι οι µεταβλητές Ci
και Yi είναι συνολοκληρωµένες τάξεως (1, 1), αρκεί να βρούµε ένα γραµµικό
συνδυασµό τους που να αποτελεί στάσιµη σειρά, δηλαδή Ι(0). Πράγµατι, αν
θεωρήσουµε το γνωστό υπόδειγµα
C i = α + β Yi + u i , (1)
τότε, επειδή αυτό γράφεται
1 ⋅ C i + (−α) ⋅ 1 + (−β) ⋅ Yi = u i , (2)
µπορούµε να θέσουµε
⎡C i ⎤
a ′ = [1 − α − β] και x i = ⎢⎢ 1 ⎥⎥ (3)
⎢⎣ Yi ⎥⎦
οπότε έχουµε:
⎡C i ⎤
a ′x i = [1 − α − β] ⋅ ⎢⎢ 1 ⎥⎥ = u i . (4)
⎢⎣ Yi ⎥⎦
Με βάση εποµένως τη σχέση (4) και τον προηγούµενο ορισµό, αρκεί να αποδείξουµε
ότι η σειρά {u i } είναι στάσιµη. Μπορούµε λοιπόν να εκτιµήσουµε το υπόδειγµα (1)
µε OLS, να βρούµε τα κατάλοιπα {û i }, και να ελέγξουµε, µε βάση και τα όσα θα
αναφερθούν τη συνέχεια, αν αυτά αποτελούν µια στάσιµη σειρά.

Στο προηγούµενο παράδειγµα είχαµε δύο µόνο µεταβλητές τις Ci και Yi και
διαπιστώσαµε ότι, αν τα κατάλοιπα {û i } αποτελούν στάσιµη σειρά, έχουµε ένα
γραµµικά ανεξάρτητο διάνυσµα συνολοκλήρωσης, και συγκεκριµένα το
⎡ 1 ⎤
a = ⎢⎢− α ⎥⎥ . (5)
⎢⎣ − β ⎥⎦
Στη γενική περίπτωση, όταν έχουµε p µεταβλητές, είναι δυνατόν να υπάρχουν
p-1 γραµµικά ανεξάρτητα διανύσµατα συνολοκλήρωσης.
Μια σχέση, όπως η (1), όπου οι µεταβλητές είναι συνολοκληρωµένες,
αναφέρεται συνήθως σαν παλινδρόµηση ή σχέση συνοκλήρωσης ή ακόµη και σαν

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-8
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

µακροχρόνια σχέση ισορροπίας. Ο προσδιορισµός της µας επιτρέπει, µεταξύ άλλων,

να υπολογίσουµε τις µακροχρόνιες παραµέτρους ισορροπίας, αλλά και να
εξειδικεύσουµε το λεγόµενο υπόδειγµα διόρθωσης λαθών, το οποίο θα αναφέρουµε
στη συνέχεια, µετά την παρουσίαση των σχετικών ελέγχων συνολοκλήρωσης.

3.2 Έλεγχοι συνολοκλήρωσης

Για τον έλεγχο συνολοκλήρωσης δύο ή περισσοτέρων µεταβλητών έχουν προ-

ταθεί αρκετές µέθοδοι, θα περιγράψουµε όµως µόνο το λεγόµενο έλεγχο DF (Dickey-
Fuller) και ADF (Augmented Dickey-Fuller) στα κατάλοιπα û i της παλινδρόµησης
συνολοκλήρωσης. Η σχετική προσέγγιση αναφέρεται και ως έλεγχος των Engle-
Granger (EG), ή, ανάλογα µε την περίπτωση, και ως επαυξηµένος έλεγχος των Engle-
Granger (ΑEG).
Η ελεγχόµενη υπόθεση είναι
H 0 : u i ~ I(1) , (1)
µε εναλλακτική την
H 1 : u i ~ I ( 0) . (1α)
Αποδοχή της µηδενικής υπόθεσης σηµαίνει ότι οι µεταβλητές που ελέγχουµε
δεν είναι συνολοκληρωµένες, ενώ απόρριψή της σηµαίνει ότι είναι συνολοκληρω-
µένες.
Για την πραγµατοποίηση του σχετικού ελέγχου και εφόσον έχουµε
διαπιστώσει ότι οι σειρές που µας ενδιαφέρουν είναι ολοκληρωµένες της αυτής
τάξης, εργαζόµαστε ως εξής:
• Εκτιµάµε µε OLS την παλινδρόµηση συνολοκλήρωσης.
• Θεωρούµε τα κατάλοιπα û i .
• Εκτιµάµε το αυτοπαλίνδροµο σχήµα πρώτης τάξης (AR(1))
∆û i = ρ1* û i −1 + ε i . (2)
• Υπολογίζουµε τη στατιστική t ρ* από τη σχέση
1

ρ1*
t ρ* = . (3)
1
St̂d(ρ1* )
• Για ορισµένο επίπεδο σηµαντικότητας, ορισµένο µέγεθος δείγµατος και για
συγκεκριµένο αριθµό (ν) ερµηνευτικών µεταβλητών στην εξίσωση παλινδρό-
µησης (1≤ν≤6), συγκρίνουµε την τιµή της στατιστικής t ρ* µε την τιµή τu που
1

υπολογίζεται από τον πίνακα του MacKinnon, και αν

t ρ* < τ u ( πινάκων) , (4)
1

απορρίπτουµε τη µηδενική υπόθεση, δηλαδή δεχόµαστε ότι οι µεταβλητές που

ελέγχουµε είναι συνολοκληρωµένες.
Με βάση τα όσα αναφέρθηκαν, είναι φανερό ότι ο έλεγχος που περιγράφεται
από τις (1) και (1α), ανάγεται σε έλεγχο σηµαντικότητας του συντελεστή ρ1* στη
σχέση (2), δηλαδή ουσιαστικά ελέγχουµε την
H 0 : ρ1* = 0 , (5)
µε εναλλακτική την
H1 : ρ1* < 0 . (5α)

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-9
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

Τα πιο πάνω ισχύουν µε την προϋπόθεση ότι στο υπόδειγµα (2) δεν έχουµε
αυτοσυσχέτιση. Στην αντίθετη περίπτωση θα πρέπει, αντί για τη σχέση (2), να
χρησιµοποιήσουµε την
k −1
∆û i = ρ1* û i −1 + ∑ ρ1*+ j ∆û i − j + ε i . (6)
j=1

όπου η τιµή του k είναι κατάλληλη ώστε τα εi να µην αυτοσυσχετίζονται.

Σηµειώνεται ότι στη σχέση (2) ή την (6) µπορεί να συµπεριληφθεί και
σταθερός όρος, εφόσον το άθροισµα των καταλοίπων û i είναι σαφώς διάφορο του
µηδενός. Στην πράξη όµως, συνήθως περιοριζόµαστε στο υπόδειγµα (2).

3.3 Το υπόδειγµα διόρθωσης λαθών ή σφάλµατος

Προκειµένου να εξηγήσουµε το υπόδειγµα διόρθωσης λαθών θα θεωρήσουµε

τη συνάρτηση κατανάλωσης
C i = α + β Yi + u i , (1)
όπου θα υποθέσουµε ότι οι σειρές {C i } και {Yi } δεν είναι στάσιµες, και συγκεκρι-
µένα ότι είναι ολοκληρωµένες πρώτης τάξης, δηλαδή Ι(1). Είναι όµως γνωστό από τα
προηγούµενα, ότι στην περίπτωση µη στάσιµων σειρών ενδείκνυται να θεωρήσουµε
τις πρώτες διαφορές των µεταβλητών, δηλαδή να εκτιµήσουµε το υπόδειγµα
∆C i = β1 + β 2 ∆Yi + u *i , (2)
ή, το
∆C i = β * ∆Yi + u *i . (3)
Αν όµως, µε τον ανάλογο έλεγχο, διαπιστώσουµε ότι οι {C i } και {Yi } είναι
και συνολοκληρωµένες τάξεως (1, 1), τότε µέτρο του βαθµού ανισορροπίας από τη
µακροχρόνια σχέση ισορροπίας, όπως αυτή περιγράφεται από την (1), αποτελούν οι
αποκλίσεις ui, δηλαδή
u i = C i − α − β Yi . (4)
Συνδυάζοντας λοιπόν τις αποκλίσεις της προηγούµενης χρονικής περιόδου,
δηλαδή τα ui-1, µε µια σχέση ανάλογη προς την (3), µπορούµε να διαµορφώσουµε το
υπόδειγµα
∆C i = b∆Yi + λu i−1 + ε i , (5)
δηλαδή το
∆C i = b∆Yi + λ(C i −1 − α − β Yi−1 ) + ε i . (6)
Το (5) ή το (6) είναι γνωστό σαν υπόδειγµα διόρθωσης λαθών ή σφάλµατος
(Error Correction Model, ή ECM) και υποδηλώνει ότι η τιµή της µεταβλητής C την
τρέχουσα χρονική περίοδο διορθώνεται, µε βάση το σφάλµα ανισορροπίας της
προηγούµενης περιόδου3. Η διόρθωση αυτή εξαρτάται από το µέγεθος του
συντελεστή λ, για τον οποίο υποθέτουµε ότι -1<λ<0.
Είναι φανερό ότι, πριν από την εκτίµηση ενός υποδείγµατος διόρθωσης
λαθών, θα πρέπει να κάνουµε έλεγχο συνολοκλήρωσης των µεταβλητών του. Στη
συνέχεια, και προκειµένου να εκτιµήσουµε το σχετικό υπόδειγµα, θεωρούµε τα

3
Η σχέση (5) ή η (6) υπονοεί πως θεωρούµε ότι το λεγόµενο σφάλµα ανισορροπίας της προηγούµενης
περιόδου, δηλαδή το u i −1 = C i −1 − α − βYi −1 , αποτελεί µια χρήσιµη ερµηνευτική µεταβλητή για το
υπόδειγµα (5) ή (6).

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-10
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

κατάλοιπα û i από την παλινδρόµηση συνολοκλήρωσης, δηλαδή τη µακροχρόνια

σχέση ισορροπίας, τα οποία και χρησιµοποιούµε στη σχέση (5), οπότε έχουµε:
∆C i = b∆Yi + λû i−1 + ε i . (7)
Τέλος, εκτιµούµε µε τη µέθοδο OLS το υπόδειγµα (7). Ο έλεγχος σηµαντικότητας του
συντελεστή λ µας επιτρέπει να βγάλουµε συµπεράσµατα σχετικά µε µακροχρόνιες
αιτιώδεις σχέσεις, καθώς και το βαθµό διόρθωσης από το µακροχρόνιο επίπεδο
ισορροπίας.
Αν, για παράδειγµα, ο συντελεστής λ αποδειχθεί στατιστικά σηµαντικός και
βρούµε ότι η εκτίµησή του είναι -0,58 αυτό θα σηµαίνει, αναφερόµενοι στο
υπόδειγµα (7) και θεωρώντας ετήσια στοιχεία, ότι η απόκλιση της τρέχουσας
κατανάλωσης από το µακροχρόνιο επίπεδο ισορροπίας διορθώνεται κατ’ έτος κατά
58%. Για το λόγο αυτό, ο συγκεκριµένος συντελεστής αναφέρεται συνήθως σαν
συντελεστής διόρθωσης σφάλµατος και έχει αρνητικό πρόσηµο.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-11
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

4. Αιτιότητα κατά Granger

Με βάση τα όσα αναφέρθηκαν µέχρι τώρα στην οικονοµετρία, είναι ίσως
φανερό ότι ένα διµεταβλητό, για παράδειγµα, οικονοµετρικό υπόδειγµα δεν
προσδιορίζει αιτιώδη συνάφεια µεταξύ εξαρτηµένης και ερµηνευτικής µεταβλητής. Η
κλασική οικονοµετρική ανάλυση, µπορεί να µας λεει για το βαθµό εξάρτησης µεταξύ
των δύο µεταβλητών, αυτό όµως δεν σηµαίνει αιτιότητα. Μ’ άλλα λόγια, η αιτιώδης
σχέση µεταξύ των µεταβλητών θεωρείται δεδοµένη, µε την έννοια ότι υπαγορεύεται
από την ανάλογη οικονοµική θεωρία.
Συνήθως, έχουµε δύο σειρές που αναφέρονται στις µεταβλητές Υ, Χ, και
θέλουµε να διαπιστώσουµε αν οι µεταβολές στις τιµές της Χ προηγούνται ή έπονται
των µεταβολών των τιµών της Υ, ή αν γίνονται ταυτόχρονα µε τις αντίστοιχες
µεταβολές των τιµών της Υ. Μ’ άλλα λόγια, θέλουµε να δούµε τη σχέση αιτίου –
αποτελέσµατος.
Σύµφωνα µε τον Granger, θα λέµε πως η µεταβλητή Χ είναι το αίτιο που
προκαλεί τις µεταβολές στις τιµές της Υ, αν η παρούσα τιµή της Υ µπορεί να
προβλεφτεί καλύτερα, όταν λάβουµε υπόψη τις παρελθούσες τιµές της Χ και Υ, παρά
αν θεωρήσουµε µόνο τις παρελθούσες τιµές της Υ. Αυτή είναι η λεγόµενη απλή κατά
Granger αιτιότητα και διακρίνεται από τη στιγµιαία κατά Granger αιτιότητα,
σύµφωνα µε την οποία, η παρούσα τιµή της Υ µπορεί να προβλεφτεί καλύτερα, αν
λάβουµε υπόψη τις παρελθούσες τιµές της Χ και Υ καθώς και την παρούσα τιµή της
Χ, παρά αν θεωρήσαµε µόνο τις παρελθούσες τιµές της Υ.
Παίρνοντας υπόψη τα παραπάνω, οι πιθανές σχέσεις αιτίου – αποτελέσµατος,
µπορούν να διατυπωθούν ως εξής:
Η Χ είναι το αίτιο της Υ, δηλαδή οι µεταβολές των τιµών της Χ προηγούνται
των ανάλογων µεταβολών των τιµών της Υ (Χ→Υ).
Η Υ είναι το αίτιο της Χ, δηλαδή οι µεταβολές των τιµών της Υ προηγούνται
των ανάλογων µεταβολών των τιµών της Χ (Υ→Χ).
Η Χ είναι το αίτιο της Υ και η Υ το αίτιο της Χ, δηλαδή υπάρχει αµφίδροµη
σχέση µεταξύ των δύο µεταβλητών (Χ↔Υ).
∆εν υπάρχει σχέση αιτιότητας µεταξύ της Χ και Υ (Χ ↔ / Υ).
Ο σχετικός έλεγχος για τη διαπίστωση της αιτιότητας κατά Granger µας δίνει,
µεταξύ άλλων, και τη δυνατότητα να αποφανθούµε, εφόσον δεν στοιχειοθετείται κάτι
τέτοιο από την οικονοµική θεωρία, ποιά από τις δυο µεταβλητές Χ και Υ θα είναι η
ερµηνευτική και ποιά η εξαρτηµένη, σε ένα οικονοµετρικό υπόδειγµα.
Για να εξηγήσουµε λοιπόν τον σχετικό έλεγχο θεωρούµε τα ακόλουθα δύο
υποδείγµατα:
p p
Yi = α 0 + ∑ α j Yi − j + ∑ β j X i − j + u i , (1)
j=1 j=1
p p
X i = γ 0 + ∑ γ j Yi − j + ∑ δ j X i − j + v i , (2)
j=1 j=1
όπου υποθέτουµε ότι Cov(ui, vj)=0, και ότι οι σειρές {Yi}, {Xi} είναι στάσιµες. Η
τελευταία υπόθεση είναι σηµαντική, γιατί διαφορετικά, όπως είναι γνωστό, υπάρχει
το ενδεχόµενο της πλασµατικής παλινδρόµησης, οπότε τα αποτελέσµατα των
σχετικών ελέγχων δεν θα είναι αξιόπιστα.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-12
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

Με βάση λοιπόν τα υποδείγµατα (1) και (2), οι τέσσερις περιπτώσεις που

αναφέραµε, έχουν ως εξής:
Αν οι συντελεστές βj, των µεταβλητών Χi-j (j=1,2,…,p) στην (1) είναι
στατιστικά σηµαντικοί, ενώ οι συντελεστές γj των µεταβλητών Υi-j στην (2),
είναι στατιστικά ίσοι µε το µηδέν, τότε υπάρχει αιτιότητα κατά Granger από
την Χ προς την Υ. Έτσι, σε ένα ανάλογο διµεταβλητό υπόδειγµα, η Υ θα είναι
η εξαρτηµένη µεταβλητή και η Χ η ερµηνευτική.
Αν οι συντελεστές βj, των µεταβλητών Χi-j στην (1), είναι στατιστικά ίσοι µε
το µηδέν, ενώ οι συντελεστές γj των µεταβλητών Υi-j στην (2), είναι
στατιστικά σηµαντικοί, τότε υπάρχει αιτιώδης κατά Granger σχέση από την Υ
προς την Χ.
Αν οι συντελεστές βj και γj, των αντίστοιχων µεταβλητών στις δύο εξισώσεις,
είναι στατιστικά σηµαντικοί, τότε υπάρχει αιτιότητα κατά Granger και προς τις
δύο κατευθύνσεις, δηλαδή υπάρχει αµφίδροµη σχέση µεταξύ Χ και Υ.
Τέλος, θεωρούµε ότι δεν υπάρχει αιτιώδης σχέση µεταξύ των µεταβλητών Χ
και Υ, αν οι αντίστοιχοι συντελεστές, θεωρούµενοι ως οµάδες, δεν είναι
στατιστικά σηµαντικοί.
Για την εφαρµογή του ανάλογου ελέγχου, µπορούµε, όπως είναι γνωστό, να
χρησιµοποιήσουµε τη στατιστική F ή το κριτήριο µε τον πολλαπλασιαστή του
Lagrange, δηλαδή τη στατιστική LM

4.1.Αιτιώδεις επιδράσεις σε ένα υπόδειγµα διόρθωσης λαθών

Εκτός από την αιτιότητα κατά Granger, µπορούµε να βρούµε κάποια µορφή
αιτιωδών αλληλεπιδράσεων, µεταξύ συνολοκληρωµένων µεταβλητών, τόσο στα
επίπεδα όσο και στις διαφορές τους, θεωρώντας το αντίστοιχο υπόδειγµα διόρθωσης
λαθών (ECM).
Όπως έχουµε ήδη αναφέρει, αν οι σειρές {Υi} και {Xi} είναι συνολοκληρω-
µένες τάξεως (1, 1), τότε µπορούµε να εξειδικεύσουµε ένα ECM, που στη γενική του
µορφή µπορεί να γραφεί:
p p
∆Yi = α 0 + ∑ α j ∆Yi − j + ∑ β j ∆X i − j + λû i −1 + ε i , (1)
j=1 j=1
όπου û i είναι τα κατάλοιπα που προκύπτουν από την εκτίµηση της µακροχρόνιας
σχέσης ισορροπίας µεταξύ των Χ και Υ, µε εξαρτηµένη µεταβλητή την Υ.
Είναι γνωστό ότι ο συντελεστής λ, ο εκτιµητής του οποίου θα πρέπει να έχει
αρνητικό πρόσηµο, δίνει την ταχύτητα προσαρµογής προς το µακροχρόνιο επίπεδο
ισορροπίας σε µία χρονική περίοδο. Αν ο συντελεστής αυτός είναι στατιστικά
διάφορος του µηδενός, αυτό σηµαίνει ότι υπάρχει αιτιώδης σχέση από την Χ προς την
Υ, η οποία όµως γίνεται αισθητή µακροχρόνια, και αντίθετα, αν στατιστικά λ=0, αυτό
αποτελεί σαφή ένδειξη, πως δεν υπάρχει µακροχρόνια αιτιώδης σχέση µεταξύ των
µεταβλητών Χ και Υ. Σηµειώνεται ότι ο έλεγχος σηµαντικότητας του συντελεστή λ,
γίνεται µε τη στατιστική t.
Από την άλλη πλευρά, αν διαπιστώσουµε ότι β1=β2=β3=…=βp=0, αυτό
σηµαίνει πως δεν υπάρχει αιτιώδης σχέση µεταξύ των ∆Χ και ∆Υ. Ο έλεγχος
σηµαντικότητας της οµάδας αυτής των συντελεστών, πραγµατοποιείται µε τη

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-13
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

στατιστική F, οπότε απόρριψη της µηδενικής υπόθεσης σηµαίνει ότι υπάρχει αιτιώδης
σχέση, που εκδηλώνεται βραχυχρόνια κι έχει κατεύθυνση από την Χ προς την Υ.
Επειδή υποθέσαµε ότι οι σειρές {Υi} και {Xi} είναι συνολοκληρωµένες
τάξεως (1, 1), µπορούµε να εξειδικεύσουµε και ένα υπόδειγµα διόρθωσης λαθών µε
εξαρτηµένη µεταβλητή την ∆Xi, και να προβούµε σε ελέγχους ανάλογους προς
αυτούς που αναφέραµε για το υπόδειγµα (1).
Σηµειώνεται ότι το υπόδειγµα (1) αποτελεί γενίκευση του γνωστού
υποδείγµατος
∆C i = b∆Yi + λû i−1 + ε i , (2)
το οποίο είχαµε αναφέρει προκειµένου να εξηγήσουµε το υπόδειγµα διόρθωσης
λαθών. Θα λέµε λοιπόν, αναφερόµενοι στο (2), ότι υπάρχει µακροχρόνια αιτιώδης
σχέση από τη µεταβλητή Υ προς τη C, δηλαδή από το εισόδηµα προς τις
καταναλωτικές δαπάνες, αν ο συντελεστής λ, που αναφέρεται στην ταχύτητα
προσαρµογής, είναι στατιστικά σηµαντικός. Εξάλλου, η σηµαντικότητα του
συντελεστή b, συνεπάγεται την ύπαρξη βραχυχρόνιας αιτιώδους επίδρασης από την Υ
προς τη C. Είναι φανερό ότι, στη συγκεκριµένη περίπτωση του υποδείγµατος (2),
τόσο ο έλεγχος σηµαντικότητας του συντελεστή λ όσο και του b, µπορούν να γίνουν
µε τη στατιστική t.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-14
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

5. Υποδείγµατα αυτοπαλίνδροµων διανυσµάτων (υποδείγµατα VAR)

Τα λεγόµενα υποδείγµατα αυτοπαλίνδροµων διανυσµάτων ή υποδείγµατα
διανυσµατικών αυτοπαλινδροµήσεων (Vector Autoregressive Models), ή απλά
υποδείγµατα VAR, είναι συστήµατα εξισώσεων, όπου κάθε µεταβλητή εκφράζεται
ως συνάρτηση των προηγούµενων τιµών όλων των µεταβλητών του συστήµατος.
Αποτελούν επέκταση των γνωστών αυτοπαλίνδροµων υποδειγµάτων µιας µεταβλητής
και χρησιµοποιούνται, όπως και τα συστήµατα αλληλεξαρτηµένων εξισώσεων.
Προκειµένου να εξηγήσουµε τις σχετικές έννοιες θεωρούµε το σύστηµα:
X i = δ1 + α11X i−1 + α12 X i −2 + β11Yi −1 + β12 Yi −2 + u i (1α)
Yi = δ 2 + α 21X i −1 + α 22 X i −2 + β 21Yi −1 + β 22 Yi −2 + v i , (1β)
όπου για κάθε µεταβλητή έχουµε χρησιµοποιήσει δυο υστερήσεις. Το σύστηµα αυτό
γράφεται µε τη µορφή:
⎡X i ⎤ ⎡ δ1 ⎤ ⎡ α11 β11 ⎤ ⎡X i −1 ⎤ ⎡ α12 β12 ⎤ ⎡X i −2 ⎤ ⎡u i ⎤
⎢ Y ⎥ = ⎢δ ⎥ + ⎢α ⎥⋅⎢ ⎥+⎢ ⋅ +
β 22 ⎥⎦ ⎢⎣ Yi −2 ⎥⎦ ⎢⎣ v i ⎥⎦
(2)
⎣ i ⎦ ⎣ 2 ⎦ ⎣ 21 β 21 ⎦ ⎣ Yi −1 ⎦ ⎣α 22
Αν θέσουµε
⎡X ⎤ ⎡δ ⎤ ⎡α β11 ⎤ ⎡X i −1 ⎤
z i = ⎢ i ⎥ , δ = ⎢ 1 ⎥ , A 1 = ⎢ 11 ⎥ , z i -1 = ⎢Y ⎥ ,
⎣ Yi ⎦ ⎣δ 2 ⎦ ⎣α 21 β 21 ⎦ ⎣ i −1 ⎦

⎡α β12 ⎤ ⎡X ⎤ ⎡u ⎤
A 2 = ⎢ 12 ⎥ , z i-2 = ⎢ i −2 ⎥ , w i = ⎢ i ⎥ ,
⎣α 22 β 22 ⎦ ⎣ Yi −2 ⎦ ⎣vi ⎦
τότε το υπόδειγµα (2) γράφεται
z i = δ + A 1 z i −1 + A 2 z i −2 + w i . (3)
Η σχέση (3) είναι ένα αυτοπαλίνδροµο σχήµα δεύτερης τάξης, AR(2), στο
διµεταβλητό διάνυσµα zi γι’ αυτό και ονοµάζεται, όπως προαναφέρθηκε, υπόδειγµα
αυτοπαλίνδροµου διανύσµατος δεύτερης τάξης, ή συνοπτικά υπόδειγµα VAR(2). Το
υπόδειγµα αυτό µπορεί εύκολα να γενικευθεί ώστε το διάνυσµα zi να περιλαµβάνει
περισσότερες από δυο µεταβλητές, όπως επίσης και να έχουµε περισσότερες από δυο
υστερήσεις. Στη γενική λοιπόν περίπτωση, ένα υπόδειγµα VAR(p) θα έχει τη µορφή
z i = δ + A 1 z i −1 + A 2 z i −2 + A 3 z i −3 + … + A p z i −p + w i , (4)

που, συνοπτικά, γράφεται ως εξής:

p
z i = δ + ∑ A jz i− j + w i . (5)
j=1

Στην (5) zi είναι το διάνυσµα των µεταβλητών του υποδείγµατος, δ το

διάνυσµα των σταθερών όρων, Aj (j=1, 2,…,p) µήτρες συντελεστών, και wi το
διάνυσµα των διαταρακτικών όρων, το οποίο αναφέρεται και ως διάνυσµα-θόρυβος.
Για το διάνυσµα αυτό υποθέτουµε ότι:
E(w i ) = 0 (6)

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-15
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

και
⎧ Σ, αν i = k
Cov(w i , w k ) = E(w i w ′k ) = ⎨ (7)
⎩0, αν i ≠ k,
όπου Σ η µήτρα διακυµάνσεων-συνδιακυµάνσεων του διανύσµατος wi.
Από την (7) είναι φανερό, ότι τα διανύσµατα θορύβου wi συσχετίζονται στην
αυτή χρονική περίοδο, όχι όµως και σε διαφορετικές χρονικές περιόδους. Επίσης, αν
στο VAR που περιγράφεται από τη σχέση (4), το διάνυσµα zi έχει n µεταβλητές, τότε
οι διαστάσεις των µητρών Αj (j=1, 2, 3,…,p) θα είναι n×n, και φυσικά το διάνυσµα δ
θα είναι n-διάστατο. Έτσι, έχουµε συνολικά Ν=n+p⋅n2 συντελεστές.
Επειδή το υπόδειγµα (4), είναι στην πραγµατικότητα ένα δυναµικό σύστηµα,
είναι φανερό, ότι για τα υποδείγµατα VAR, ισχύουν τα όσα είναι γνωστά σχετικά µε
τα δυναµικά συστήµατα. Ενδεικτικά, σηµειώνεται ότι το συγκεκριµένο σύστηµα,
µπορεί να µετασχηµατιστεί σε ένα ισοδύναµο δυναµικό σύστηµα πρώτου βαθµού, µε
τη χρησιµοποίηση του τελεστή χρονικής υστέρησης L.
Ένα σηµείο, το οποίο επίσης θα πρέπει να αναφερθεί, είναι ότι σ’ ένα
υπόδειγµα VAR δεν υπάρχουν εξωγενείς µεταβλητές, αλλά µόνο ενδογενείς µε
χρονικές υστερήσεις. Επίσης, όπως είναι φανερό από τις σχέσεις (1α) και (1β),
πρόκειται για συστήµατα εξισώσεων στην ανηγµένη, δηλαδή τη λυµένη µορφή, ως
προς τις ενδογενείς µεταβλητές.
Το τελευταίο αυτό σηµείο και λαµβάνοντας υπόψη τις υποθέσεις (6) και (7),
µας επιτρέπει να εκτιµήσουµε ένα υπόδειγµα VAR µε τη µέθοδο OLS, θεωρώντας
κάθε εξίσωση ξεχωριστά. Φυσικά, θα πρέπει να προηγηθεί έλεγχος στασιµότητας των
ενδογενών µεταβλητών του υποδείγµατος, ώστε να γνωρίζουµε αν θα εκτιµήσουµε το
υπόδειγµα στα επίπεδα των µεταβλητών, δηλαδή χρησιµοποιώντας τις αρχικές τιµές,
ή αν απαιτούνται µετασχηµατισµοί των δεδοµένων, για παράδειγµα, πρώτες ή
δεύτερες διαφορές των µεταβλητών.
Προκειµένου να καθορίσουµε το µήκος της χρονικής υστέρησης, δηλαδή την
τιµή του p στη σχέση (4), µπορούµε να χρησιµοποιήσουµε γενικευµένες µορφές των
κριτηρίων Akaike (AIC) και Schwarz (SBC).
Τα υποδείγµατα VAR, όπως και τα δυναµικά συστήµατα, χρησιµοποιούνται
κυρίως για προβλέψεις. Επίσης, ένα υπόδειγµα VAR µπορεί να χρησιµοποιηθεί για
ελέγχους αιτιότητας κατά Granger. Για την τελευταία αυτή περίπτωση, θα πρέπει να
επισηµάνουµε τα εξής4:
Αν οι µεταβλητές του υποδείγµατος είναι στάσιµες σειρές, τότε εκτιµούµε ένα
«απλό» υπόδειγµα VAR, δηλαδή ένα υπόδειγµα στα επίπεδα των µεταβλητών.
Αν οι µεταβλητές του υποδείγµατος είναι µη στάσιµες σειρές, και ειδικότερα Ι(1),
όχι όµως και συνολοκληρωµένες, τότε εκτιµούµε ένα υπόδειγµα VAR στις πρώτες
διαφορές των µεταβλητών, οπότε ελέγχουµε µόνο για βραχυχρόνιες αιτιώδεις
σχέσεις.
Αν οι µεταβλητές του υποδείγµατος είναι µη στάσιµες σειρές, ειδικότερα Ι(1), και
επιπλέον είναι και συνολοκληρωµένες, τότε εκτιµούµε ένα υπόδειγµα VAR στις
πρώτες διαφορές των µεταβλητών, έχοντας όµως εισάγει και το γνωστό όρο
διόρθωσης σφάλµατος, οπότε ελέγχουµε τόσο για βραχυχρόνιες όσο και για
µακροχρόνιες αιτιώδεις σχέσεις. Αυτό σηµαίνει ότι θεωρούµε τη µορφή ενός
πολυµεταβλητού υποδείγµατος διόρθωσης λαθών, η οποία προκύπτει από το
4
Στο σηµείο αυτό γίνεται αναφορά σε µεταβλητές Ι(0) και Ι(1), που αποτελούν και την πλέον συνήθη
περίπτωση.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-16
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

συγκεκριµένο VAR, και η οποία είναι γνωστή σαν ECVAR (Error-Correction

VAR).
Τέλος, αν οι µεταβλητές του υποδείγµατος είναι άλλες στάσιµες και άλλες όχι, για
παράδειγµα ορισµένες είναι Ι(0) και άλλες Ι(1), τότε εκτιµούµε ένα υπόδειγµα
VAR, όπου οι στάσιµες σειρές υπεισέρχονται στα επίπεδά τους, ενώ αυτές που
είναι Ι(1) στις πρώτες διαφορές τους.
Θα πρέπει να σηµειωθεί ότι η εξειδίκευση ενός υποδείγµατος VAR δεν
περιορίζεται ιδιαίτερα από την ανάλογη οικονοµική θεωρία που αναφέρεται στο
συγκεκριµένο υπόδειγµα. Το στοιχείο αυτό αποτέλεσε σηµείο κριτικής για τα
υποδείγµατα της µορφής αυτής, µε την έννοια ότι η εξειδίκευσή τους, σε ορισµένες
περιπτώσεις, στερείται της ανάλογης οικονοµικής θεµελίωσης. Στην κριτική αυτή
αντιτάσσεται το γεγονός πως στα υποδείγµατα VAR δεν τίθενται βέβαια ειδικοί
περιορισµοί, αναφορικά µε τις µεταβλητές που θα υπεισέλθουν σε κάθε εξίσωση,
λαµβάνονται όµως υπόψη γενικές οικονοµικές αρχές, ως προς την καταλληλότητα
των µεταβλητών που θα περιληφθούν στο όλο υπόδειγµα, διατηρώντας µε τον τρόπο
αυτό έναν υψηλό βαθµό ελευθερίας.
Τέλος, θα πρέπει να αναφερθεί ότι στα υποδείγµατα VAR έχουν αναπτυχθεί
ειδικές τεχνικές για τη δηµιουργία εναλλακτικών σεναρίων οικονοµικής πολιτικής, µε
συνέπεια τα υποδείγµατα αυτά να έχουν ευρεία χρήση στην εφαρµοσµένη
οικονοµετρία.

5.1 Υποδείγµατα VAR και συνολοκλήρωση

Θεωρούµε το υπόδειγµα VAR

k
z t = ∑ A i z t −i + ε t , (15)
i=1

όπου το διάνυσµα zt περιέχει τις n µεταβλητές του υποδείγµατος και το εt είναι το

διάνυσµα των διαταρακτικών όρων. Για απλότητα έχουµε παραλείψει το διάνυσµα
των σταθερών όρων.
Υποθέτουµε ότι οι µεταβλητές του zt είναι ολοκληρωµένες της αυτής τάξης
και συγκεκριµένα ότι η τάξη ολοκλήρωσής τους είναι µηδέν ή ένα (δηλαδή zt ∼ I(0) ή
zt ∼ I(1)). Η υπόθεση αυτή δεν είναι ιδιαίτερα περιοριστική, δεδοµένου ότι, αν η τάξη
ολοκλήρωσης ορισµένων µεταβλητών είναι υψηλότερη της µονάδος, τότε αρκεί να
υπεσέλθουν στο υπόδειγµα κατάλληλες διαφορές τους.
Το υπόδειγµα (15) γράφεται5
k-1
∆z t = ∑ Γ i ∆z t − k + Πz t − k + ε t , (16)
i=1
όπου
Γi = −I + A1 + … + A i (I είναι ο µοναδιαίος πίνακας), και
Πi = −(I - A1 − … − A k ) .

Ο πίνακας Π είναι διαστάσεων n×n και συνεπώς ο βαθµός του είναι

µικρότερος ή το πολύ ίσος προς n. Το θεώρηµα απεικόνισης του Granger (Granger

5
Ο µετασχηµατισµός ενός υποδείγµατος VAR στη µορφή (16) είναι γνωστός σαν µετασχηµατισµός
συνολοκλήρωσης (cointegrating transformation).

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-17
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

representation theorem) σχετίζεται µε το βαθµό του πίνακα Π και διατυπώνεται µε

τον ακόλουθο τρόπο (Engle και Granger, 1987).

Θεώρηµα
α) Αν ο βαθµός του πίνακα Π είναι ίσος προς n, όπου n είναι ο αριθµός των
µεταβλητών οι οποίες περιλαµβάνονται στο υπόδειγµα VAR, τότε το διάνυσµα zt
είναι στάσιµη διαδικασία, υπό την έννοια ότι οι συνιστώσες του zt είναι I(0).
β) Αν ο βαθµός του πίνακα Π είναι ίσος προς r όπου r<n, τότε ο πίνακας Π γράφεται
Π = α ⋅ β′ , (17)
όπου α και β είναι πίνακες διαστάσεων n×r.

Ο πίνακας β ονοµάζεται πίνακας συνολοκλήρωσης (cointegrating matrix) και

έχει την ιδιότητα ότι
β′z t ∼ Ι(0) . (18)

Άµεση συνέπεια της (18) είναι ότι αν β1, β2, … , βr είναι οι στήλες του πίνακα
συνολοκλήρωσης β, τότε οι µεταβλητές οι οποίες συνιστούν το διάνυσµα zt είναι
συνολοκληρωµένες µε διανύσµατα συνολοκλήρωσης αντίστοιχα τα β1, β2, … , βr.
Σηµειώνεται ότι αν ισχύει η (17), το υπόδειγµα (16) µπορεί να θεωρηθεί σαν
γενίκευση ενός "υποδείγµατος σε διαφορές µε µηχανισµό διόρθωσης σφάλµατος",
έννοια η οποία έχει αναφερθεί σε προηγούµενη ενότητα. Συγκεκριµένα, ο πίνακας
β΄zt-k συνιστά ένα σύνολο από r µηχανισµούς διόρθωσης σφάλµατος διαχωρίζοντας
τις µακροχρόνιες από τις βραχυχρόνιες επιδράσεις των µεταβλητών του
υποδείγµατος.
Ο προσδιορισµός του βαθµού του πίνακα Π, ο οποίος καθορίζει και τον
αριθµό των διανυσµάτων συνολοκλήρωσης, καθώς και η εκτίµηση του πίνακα
συνολοκλήρωσης β µπορούν να γίνουν µε σχετική διαδικασία η οποία προτείνεται
από τον Johansen (1988 και 1989), τα κύρια βήµατα της οποίας περιγράφονται στη
συνέχεια µε βάση την παρουσίαση η οποία υπάρχει στο βιβλίο των Charemza και
Deadman (1992).

Βήµα 1
Ξεκινάµε µε την παλινδρόµηση των µεταβλητών του διανύσµατος ∆zt επί των
µεταβλητών των διανυσµάτων ∆zt-1, ∆zt-2, … , ∆zt-k+1. ∆εδοµένου δε ότι υποθέσαµε
πως το υπόδειγµα VAR περιλαµβάνει n µεταβλητές, θα πρέπει να γίνουν n
διαφορετικές παλινδροµήσεις. Επιπρόσθετα δηµιουργούµε το n×1 διάνυσµα R0t από
τα κατάλοιπα τα οποία προκύπτουν από κάθε µια παλινδρόµηση κατά τη χρονική
στιγµή t.
Στη συνέχεια γίνεται παλινδρόµηση των µεταβλητών του διανύσµατος zt-κ επί
των µεταβλητών των διανυσµάτων ∆zt-1, ∆zt-2, … , ∆zt-k+1 και δηµιουργούµε το n×1
διάνυσµα Rkt από τα κατάλοιπα τα οποία προκύπτουν από κάθε µια παλινδρόµηση
κατά την αυτή χρονική στιγµή t.

Βήµα 2
Υπολογίζουµε τους τέσσερις n×n πίνακες S00, S0k, Sk0 και Skk από τις σχέσεις

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-18
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

1 T
S ij = ⋅ ∑ R it R′jt , i, j = 0, k (19)
T t =1
όπου Τ το µέγεθος του δείγµατος.

Βήµα 3
Θεωρούµε την, ως προς λ, εξίσωση
−1
λS kk − S k 0S 00 S 0k = 0 (20)
και προσδιορίζουµε τις ρίζες της (ιδιοτιµές) τις οποίες και διατάσσουµε κατά
φθίνουσα σειρά, έστω λ1 > λ 2 > … > λ n . Αν v 1 , v 2 , ... , v n είναι τα αντίστοιχα
ιδιοδιανύσµατα, δηµιουργούµε τον πίνακα
V = [v 1 v 2 … v n ] . (21)
Τα ιδιοδιανύσµατα λαµβάνουν την κανονική τους µορφή (normalized) σύµφωνα µε
τη σχέση
V ′S kk V = I . (22)

Βήµα 4
Για κάθε λi υπολογίζουµε τη στατιστική ελέγχου
n
λ trace (r) = −T ⋅ ∑ ln(1 − λ i ) . (23)
i = r +1

Κάτω από τη µηδενική υπόθεση ότι υπάρχουν το πολύ r διανύσµατα

συνολοκλήρωσης, η στατιστική αυτή έχει µια ασυµπτωτική κατανοµή, ποσοστιαία
σηµεία (quantiles) της οποίας δίνονται από τον Johansen (1988).

Συνήθως, η όλη διαδικασία προσδιορισµού του αριθµού r των διανυσµάτων

συνολοκλήρωσης ενός υποδείγµατος VAR, µε βάση τη σχέση (23), αρχίζει µε την
υπόθεση r = 0, δηλαδή ότι δεν υπάρχει κανένα διάνυσµα συνολοκλήρωσης. Αν η
υπόθεση αυτή δεν µπορεί να απορριφθεί η όλη διαδικασία σταµατάει. ∆ιαφορετικά
ελέγχονται διαδοχικά οι υποθέσεις r≤1, r≤2, κ.ο.κ. Αν η µηδενική υπόθεση δεν µπορεί
να απορριφθεί, έστω για r≤r0, ενώ έχει ήδη απορριφθεί για r≤r0-1, άµεσο συµπέρασµα
είναι πως ο αριθµός των διανυσµάτων συνολοκλήρωσης είναι ίσος µε r0.
Σηµειώνεται ότι στο βήµα 4, προκειµένου να προσδιορίσουµε τον αριθµό r
των στατιστικά σηµαντικών διανυσµάτων συνολοκλήρωσης, είναι δυνατόν, αντί της
(23), να χρησιµοποιήσουµε τη σχέση
λ max (r) = −T ⋅ ln(1 − λ r +1 ) . (24)
Με τη στατιστική όµως αυτή ελέγχεται η µηδενική υπόθεση ότι ο αριθµός των
διανυσµάτων συνολοκλήρωσης είναι r έναντι της εναλλακτικής της για r+1
διανύσµατα συνολοκλήρωσης6 (Johansen, 1988).

6
Στη συναφή βιβλιογραφία, ο υπολογισµός της (23) προκειµένου να προσδιοριστεί ο αριθµός των
στατιστικά σηµαντικών διανυσµάτων συνολοκλήρωσης, αναφέρεται σαν έλεγχος συνολοκλήρωσης ο
οποίος βασίζεται στο ίχνος του στοχαστικού πίνακα (cointegration test based on trace of the stochastic
matrix), ενώ όταν χρησιµοποιείται η (24), τότε αναφερόµαστε σε έλεγχο συνολοκλήρωσης ο οποίος
βασίζεται στη µέγιστη ιδιοτιµή του στοχαστικού πίνακα (cointegration test based on maximal
eigenvalue of the stochastic matrix).

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-19
 Α.Π.Θ. : Σχολή Νοµικών, Οικονοµικών & Πολιτικών Επιστηµών
Τµήµα Οικονοµικών Επιστηµών

Γενικά, αν µε βάση τη στατιστική ελέγχου (23) ή (24) προσδιορίσουµε ότι ο

αριθµός των στατιστικά σηµαντικών διανυσµάτων συνολοκλήρωσης είναι ίσος µε r,
τότε οι πρώτες r στήλες του πίνακα V , ο οποίος ορίστηκε στη σχέση (21), είναι τα
ζητούµενα διανύσµατα συνολοκλήρωσης και ορίζουν έναν πίνακα ο οποίος αποτελεί
εκτίµηση του πίνακα συνολοκλήρωσης β.
Τέλος, οι πρώτες r στήλες του πίνακα S 0k V ορίζουν έναν πίνακα ο οποίος
αποτελεί εκτίµηση του πίνακα α της σχέσης (17). ∆ιευκρινίζεται πως ο πίνακας α
ονοµάζεται πίνακας προσαρµογής (adjustment matrix) και η οικονοµική ερµηνεία των
στοιχείων του είναι ότι µετρούν την ταχύτητα προσαρµογής µεταβλητών του
υποδείγµατος σε µια διαταραχή στη σχέση ισορροπίας τους (Johansen, 1989).
Ας σηµειωθεί πως η οικονοµική ερµηνεία των στοιχείων του πίνακα β, οι
στήλες του οποίου χαρακτηρίστηκαν σαν διανύσµατα συνολοκλήρωσης, είναι ότι,
αφού λάβουν την κανονική τους µορφή, µπορούν να θεωρηθούν σαν οι τιµές εκείνες
στις οποίες θα συγκλίνουν µακροχρόνια οι παράµετροι του υποδείγµατος.
Η µέθοδος του Johansen για έλεγχο συνολοκλήρωσης θεωρείται ότι υπερέχει
της µεθόδου των Engle και Granger, ανάλυση της οποίας έγινε σε προηγούµενη
ενότητα. Θα πρέπει όµως να τονιστεί ότι οι δύο προσεγγίσεις βασίζονται σε
διαφορετική µεθοδολογία και κατά συνέπεια δεν είναι δυνατή µια άµεση σύγκρισή
τους. Συγκεκριµένα, η µέθοδος των Engle και Granger βασίζεται σ' έναν εκ των
προτέρων διαχωρισµό των µεταβλητών σε ενδογενείς και εξωγενείς, ενώ η
προσέγγιση του Johansen δεδοµένου ότι βασίζεται σ' ένα υπόδειγµα VAR δεν
προϋποθέτει έναν ανάλογο διαχωρισµό.

Εισηγητής: Ν. Ταµπάκης Ακαδηµαϊκό έτος: 2012-13

3-20